Learning missing physics from legacy simulators with alternating neural integrators

doi:10.1038/s41467-026-74002-2

Learning missing physics from legacy simulators with alternating neural integrators

2026-06-23

0

OA

AI

DOI：10.1038/s41467-026-74002-2

原文链接

查看原文

摘要

En 中文

科学和工程领域的一个反复出现的挑战是模型与现实之间的差距，即由于未解决的物理问题或结构不完整性，受信任的传统模拟器失去保真度。这一挑战促使了从非完美机理模型到完全数据驱动代理模型的多种解决方案。本文通过交替神经网络积分器（ANI）来弥补这一差距，这是一种非侵入式的“重用与修正”框架，用于在不访问或修改其内部实现的情况下升级可执行的传统模拟器。在算子分割原则的指导下，ANI交替执行固定先验模拟器的演化与一个学习到的神经网络修正，该修正针对先验模型与监督数据之间的结构化差异。我们证明，ANI能够恢复混沌系统中的缺失耦合，并在湍流中作为有效的次网格修正，提高先验模型漂移时的动力学保真度。在选定的具有机理结构的设置中，事后的符号蒸馏可产生紧凑的假设，并在受控基准测试中支持先验模型的闭环修正。通过在理论上有根据的框架中将数据驱动的灵活性与传统科学模拟器相结合，本研究为在存在可调用先验模型和监督数据的情况下，系统地升级现有计算基础设施提供了一种实用的灰箱路径。交替神经网络积分器（ANI）提供了一种非侵入式的“重用与修正”框架，通过交替先验模型演化与学习到的神经网络修正，提高复杂系统的保真度，并实现可解释的数据驱动修正。

Learning missing physics from legacy simulators with alternating neural integrators

摘要

AI总结

期刊

机构

引用论文